系列目标：30 天从 LangChain 入门到企业级部署
今日任务：掌握PydanticOutputParser+RetryOutputParser→ 构建高可靠结构化输出链 → 让 Agent 返回标准 JSON 对象！
🎯 一、为什么需要“带重试的结构化输出”？
在 Day 6 中，我们用 PydanticOutputParser 让 AI 输出合法 JSON。
但现实是：即使加了格式指令，大模型偶尔仍会“跑偏” ：
- 多了 Markdown 代码块（```json）
- 字段名拼错（"user_name" 写成 "username"）
- 返回一段解释文字而非纯 JSON
如果直接解析，程序会崩溃 ❌。
解决方案：
✅
RetryOutputParser+PydanticOutputParser= 自动重试 + 自动修复
LangChain 会在解析失败时，自动把错误信息反馈给 LLM，让它重新生成，直到成功或达到最大重试次数。
🧱 二、核心组件介绍
表格
| 组件 | 作用 |
|---|---|
PydanticOutputParser | 定义期望结构 + 生成格式指令 + 解析输出 |
RetryOutputParser | 包装 parser，支持自动重试 |
RunnableParallel / LCEL | 将 parser 集成到 Chain 或 Agent 中 |
💡 今天我们将构建一个“用户意图识别器”，要求 AI 从自然语言中提取：
class UserIntent(BaseModel): action: Literal["order", "refund", "inquiry"] product: str confidence: float # 0.0 ~ 1.0
🛠️ 三、动手实践：构建带自动重试的结构化输出链
步骤 1：定义 Pydantic 模型
# day13_retry_output_parser.py
from langchain_ollama import ChatOllama
from langchain_core.pydantic_v1 import BaseModel, Field, Literal
from langchain_core.output_parsers import PydanticOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain.chains import LLMChain
class UserIntent(BaseModel):
action: Literal["order", "refund", "inquiry"] = Field(
description="用户意图：下单(order)、退货(refund)、咨询(inquiry)"
)
product: str = Field(description="涉及的产品名称")
confidence: float = Field(ge=0.0, le=1.0, description="置信度，0.0~1.0")
步骤 2：创建带重试的 OutputParser
python
编辑
# 创建基础 parser
base_parser = PydanticOutputParser(pydantic_object=UserIntent)
# 创建支持重试的 parser
retry_parser = base_parser.with_retry(retries=3) # 自动重试 3 次
🔑
with_retry()是 LangChain 0.1+ 提供的便捷方法，内部使用RetryOutputParser。
步骤 3：构建 Prompt（关键：插入格式指令）
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个用户意图分析器。"),
("human", "请分析以下用户语句的意图：\n{input}\n\n{format_instructions}")
]).partial(format_instructions=retry_parser.get_format_instructions())
💡
retry_parser.get_format_instructions()会返回清晰的 JSON 格式示例。
步骤 4：组装 Chain 并测试
llm = ChatOllama(model="qwen:7b", temperature=0)
# 使用 LCEL 构建链：prompt → llm → retry_parser
chain = prompt | llm | retry_parser
# 测试用例（故意模糊）
test_inputs = [
"我想买一副无线耳机",
"这个手机我不想要了，怎么退？",
"你们客服电话多少？" # 不涉及产品，考验鲁棒性
]
for inp in test_inputs:
print(f"\n👤 用户：{inp}")
try:
result = chain.invoke({"input": inp})
print(f"✅ 成功！action={result.action}, product={result.product}, confidence={result.confidence:.2f}")
except Exception as e:
print(f"❌ 最终失败：{e}")
▶️ 成功输出示例：
👤 用户：这个手机我不想要了，怎么退？
✅ 成功！action=refund, product=手机, confidence=0.95
✅ 即使第一次输出格式错误，LangChain 也会自动重试，直到成功！
🤖 四、进阶：让 Agent 也返回结构化对象
Agent 默认返回自由文本，但我们希望它最终输出一个标准对象。
from langchain.agents import Tool, AgentExecutor, create_react_agent
# 假设有一个工具
@tool
def dummy_tool(query: str) -> str:
return "已完成操作"
tools = [dummy_tool]
llm = ChatOllama(model="qwen:7b", temperature=0)
# 创建普通 Agent
agent = create_react_agent(llm, tools, create_react_agent.get_default_prompt())
executor = AgentExecutor(agent=agent, tools=tools, verbose=False)
# 现在，我们想让整个 Agent 的最终输出是结构化的！
# 方案：在 executor 后接一个 parser
final_chain = executor | retry_parser
# 调用（注意：Agent 输入是 {"input": "..."}，输出是 {"output": "..."}）
try:
result = final_chain.invoke({"input": "帮我查一下订单状态"})
print("Agent 结构化结果：", result)
except Exception as e:
print("解析失败：", e)
⚠️ 注意：Agent 的原始输出是字符串，需确保其内容符合 parser 要求。
更佳实践：在 Agent 的 system prompt 中强调“最终回答必须是合法 JSON”。
⚠️ 五、注意事项 & 最佳实践
表格
| 问题 | 建议 |
|---|---|
| 重试后仍失败 | 检查 prompt 是否足够清晰；降低 temperature |
| 中文模型忽略格式 | 在 system prompt 中强调：“只返回 JSON，不要任何其他文字” |
| 字段缺失 | 在 Pydantic 模型中标记为必填（默认就是） |
| 性能敏感场景 | 设置 retries=1 或 0，避免延迟过高 |
| 需要兼容旧系统 | 可将 parser 输出转为 dict：result.dict() |
💡 生产建议：
所有对外 AI 接口都应使用带重试的结构化输出，避免脏数据进入下游系统！
📦 六、配套代码结构
langchain-30-days/
└── day13/
├── structured_output_with_retry.py # 带重试的结构化输出链
└── agent_with_structured_output.py # Agent 返回结构化对象（进阶）
📝 七、今日小结
- ✅ 理解了结构化输出在生产环境中的必要性
- ✅ 学会了用
with_retry()实现自动重试 - ✅ 构建了高可靠的用户意图识别器
- ✅ 掌握了将结构化输出集成到 Agent 的方法
- ✅ 知道了如何平衡可靠性与性能
🎯 明日预告：Day 14 —— Callback 机制！监听 Chain/Agent 的每一步，实现日志、监控、审计！
